Alnylam 利用 Amazon Bedrock 通过生成式人工智能实现产品投诉管理转型

Alnylam 成立于 2002 年，总部位于马萨诸塞州的剑桥市。该公司按照监管要求运营，并有义务对向食品药物管理局等监管机构提出的与临床和商业药物产品相关的产品投诉进行分类和管理。以前，各个团队依靠手动流程理解、分析、分类和调查数百份药物产品质量投诉报告。“我们需要花费 3 到 4 天的时间为不同时区、语言和报告渠道的客户完成这些步骤，”Alnylam 的全球质量体系负责人 Kristen Dvorscak 表示。“而借助由生成式人工智能提供支持的新流程，我们正在重塑现有的工作流，以使其近乎实时地运行。”

2023 年 6 月，Alnylam 与 Amazon Web Services（AWS）的各个团队着手开发一款解决方案，以利用生成式人工智能显著缩短报告、初始评估和响应的时间。“当我们开始这段旅程时，我们知道我们需要 AWS 这样拥有强大技术专业知识的可靠合作伙伴，”Alnylam 的数据管理和人工智能总监 Murtaza Cherawala 说道。“AWS 团队以开发人员和业务领导者都能理解的方式说明复杂的技术问题。” 根据公司对法律合规性、数据隐私、安全性、验证和质量的要求，Alnylam 与 AWS 在 3 个月内共同开发了一个产品投诉受理和分类原型。

同时，Alnylam 与各个 AWS 团队还努力通过生成式人工智能提高员工的工作效率。他们使用 Amazon Bedrock 创建了一个集成了 Slack 的聊天机器人 AskALNY，2000 多名员工和另外的 1000 个承包商使用此聊天机器人轻松查找信息、从复杂的文档中总结洞察并为多种使用案例生成内容。“使用 AskALNY，我们的各个团队可以准确地找到隐藏在不同政策文档中的信息以及来源链接，”Cherawala 表示。例如，各个团队使用 AskALNY 创建职位描述、撰写会议议程、将医学文献和其他文档汇总成通俗易懂的语言、搜索合规性和法律政策、获取财务和采购方面的指导、确定差旅或考勤记录表提交护栏，甚至查找设施信息。

在遵守 GxP 合规性的同时，Alnylam 和各个 AWS 团队为使用案例定义了多个参数，包括模型选择。他们对可以通过 Amazon Bedrock 访问的多个大型语言模型（LLM）进行了迭代，除了对全面性、相关性和清晰度进行评分以外，还利用人工确定哪个模型最准确。为了进一步评估准确性，AWS 工程师们使用了余弦相似度，这是一种利用数学来衡量两组信息相似度的方法。在利用人工和数学方法进行广泛评估之后，Alnylam 选择了 Anthropic 的 Claude，它可以汇总信息、将信息映射到数据库并根据 LLM 的训练规则对其进行分类。该解决方案制定了对负面事件报告者的实时回复，因此能够更快地提供有关投诉的关键额外信息，同时改善了内部决策，并缩短了培训新加入公司的负面事件调查人员的时间。

这些数据自动存储在 Amazon Simple Storage Service（Amazon S3）中，这项对象存储服务可提供可扩展性、数据可用性、安全性和高性能。该系统将提取投诉中的数据、将它们转换成可读格式并发送给 LLM，以进行解释、推理和生成输出。该系统将检查全面性、准确性、相关性和清晰度的置信度评分，以确保正确填充所有字段，并自动在 Alnylam 的质量体系中创建一个记录。

此模型还会生成相关的跟进问题，以使 Alnylam 能够更好地了解患者问题以及缺陷的严重程度、简化反馈并消除跨时区延迟。“当我们第二天上班时，我们很可能已经生成了一份记录，其中包含跟进问题的重要回复，”Dvorscak 说道。“这样，我们就从被动模式转变为主动模式，并在设计时考虑了患者数据的隐私和安全性。随着我们的规模不断扩大，收到的报告数量会呈指数级增长，而这一能力将为我们节省大量时间和资源。” 随着该解决方案完成试验阶段，只需人工注意异常，并依靠余弦相似度对模型的准确性进行评分，从而节省更多时间。

对于内部员工工作效率解决方案 AskALNY 而言，该平台提高了工作效率，并能够在 30 秒钟内为员工提供回复，而他们以前需要花费 15 分钟以上的时间才能提供回复。在 AWS 团队的建议下，Alnylam 利用检索增强生成功能进一步提高了 AskALNY 的效率，这一过程让 LLM 优先使用新信息而不是训练数据来生成更准确的回复。